Опенсорсный проект RuView превращает обычный Wi-Fi в радар для слежки сквозь стены

Открытая разработка RuView стремительно набирает популярность на GitHub – на момент публикации репозиторий насчитывает более 54 тысяч звёзд и свыше 7 тысяч форков. Если не знакомы с терминологией, то это значит, что вокруг разработки сформировалось много хайпа.

Проект превращает обычные Wi-Fi сигналы в систему сенсорики, способную обнаруживать людей сквозь стены, измерять пульс и частоту дыхания, отслеживать движения и распознавать падения – всё без камер, носимых девайсов и облачной обработки.

Технология работает на физическом принципе анализа возмущений радиоволн. Любой Wi-Fi роутер постоянно заполняет помещение электромагнитным полем, а когда человек двигается, дышит или просто сидит на месте, он измеримо искажает распространение этих волн.

RuView перехватывает данные Channel State Information (CSI) с дешёвых сенсоров на базе ESP32-S3 и преобразует их в практически полезную информацию о том, кто находится в комнате и чем занимается.

Среди заявленных возможностей системы:

• обнаружение людей сквозь стены, подсчёт количества и отслеживание перемещений

• бесконтактное измерение пульса и частоты дыхания, в том числе во сне

• распознавание активности – ходьбы, жестов, падений – по временным паттернам CSI

• радиочастотное "снятие отпечатка" помещения с фиксацией перемещённой мебели и новых объектов

• мониторинг сна с классификацией фаз и скринингом апноэ

Аппаратная часть строится вокруг mesh-сетки из узлов ESP32-S3 стоимостью около 9 долларов за штуку, дополненной модулем Cognitum Seed для долговременной памяти, криптографической верификации и интеграции с ИИ.

Оригинальный ESP32 и младшая модель ESP32-C3 не поддерживаются из-за одноядерной архитектуры, которой не хватает для DSP-обработки CSI. Для оценки данных без оборудования предусмотрен Docker-образ с симулированным сигналом.

Сетка из четырёх–шести узлов сканирует одновременно три канала Wi-Fi (1, 6 и 11) по протоколу временного разделения каналов и формирует 168 виртуальных поднесущих на каждую связь.

Многопозиционная обработка объединяет данные со всех пар узлов через механизм внимания, а так называемая "когерентная фильтрация" отсеивает шумные измерения, благодаря чему система остаётся стабильной целыми днями без подстройки.

Адаптация к конкретному помещению занимает менее 30 секунд и работает на основе спайковых нейросетей. Многочастотное сканирование задействует даже соседские роутеры в качестве бесплатных источников облучения, а каждое измерение криптографически подтверждается через цепочку свидетельств на базе цифровых подписей Ed25519.

Марокканский инженер выложил на GitHub полноценный радар с дальностью обнаружения до 20 км – на рынке такой стоит от 250 тысяч долларов

Распознавание позы человека с 17 ключевыми точками по стандарту COCO построено на архитектуре WiFlow и развивает идеи исследования DensePose From WiFi, впервые предложенного в Университете Карнеги-Меллона.

Разработчики честно обозначают ограничения – достигнутая точность позы без камер-учителей пока составляет лишь около 2,5% по метрике PCK@20, тогда как целевой показатель при обучении с камерным эталоном – более 35%. Этапы сбора данных и оценки модели с эталоном пока не завершены.

Так как обработка ведётся локально на периферии и без видеопотока, развёртывание автоматически обходит ограничения GDPR на видеоданные и нормы HIPAA по медицинским изображениям.

Энтузиаст создал опен-сорс контроллер с экранами и гироскопами

Среди потенциальных применений упоминаются здравоохранение и контроль показателей пожилых людей, розничная торговля, офисы, гостиничный бизнес, спортивные мероприятия, образование, промышленная робототехника и даже сценарии для спасательных операций под завалами.

Все подробности и код на github.